전통적인 기계 학습을 간과하지 마십시오: 단순하고 해석 가능한 기술은 수면 점수화에서 딥 러닝과 경쟁력이 있습니다.

최근 몇 년 동안 자동 수면 점수화 연구는 주로 점점 더 복잡한 딥 러닝 아키텍처의 개발에 초점을 맞추어 왔습니다. 그러나 최근 이러한 접근 방식은 종종 더 많은 데이터와 비용이 많이 드는 훈련 절차를 요구하는 대가로 근소한 성능 향상만을 가져왔습니다. 이러한 노력과 만족할 만한 성능에도 불구하고, 자동 수면 단계 분류 솔루션은 아직 임상 환경에서 널리 채택되지 않았습니다. 우리는 대부분의 딥 러닝 수면 점수화 솔루션이 실제 적용성에서 제약을 받고 있다고 주장합니다. 이는 훈련, 배포, 재현이 어려운 데다 해석 가능성과 투명성이 부족하기 때문입니다. 이 두 가지 요소는 종종 채택률을 높이는 데 중요한 역할을 합니다.본 연구에서는 고전적인 기계 학습을 사용하여 수면 단계 분류 문제를 다시 검토하였습니다. 결과는 전처리, 특징 추출, 간단한 기계 학습 모델로 구성된 전통적인 기계 학습 파이프라인으로도 경쟁력 있는 성능을 달성할 수 있음을 보여줍니다. 특히 선형 모델과 비선형(그래디언트 부스팅) 모델의 성능을 분석하였습니다. 우리의 접근 방식은 같은 데이터를 사용하는 최신 방법론보다 두 공개 데이터셋(Sleep-EDF SC-20 (MF1 0.810) 및 Sleep-EDF ST (MF1 0.795))에서 우월한 성능을 보였으며, Sleep-EDF SC-78 (MF1 0.775) 및 MASS SS3 (MF1 0.817)에서도 경쟁력 있는 결과를 얻었습니다.우리는 수면 단계 점수화 작업에 대해 엔지니어링된 특징 벡터의 표현력이 딥 러닝 모델의 내부적으로 학습된 표현과 맞먹음을 보여주었습니다. 이 관찰은 전통적인 기계 학습 모델의 해석 가능성과 성공적인 추적 기록을 활용할 수 있게 하므로 임상 채택의 문을 열어줄 것입니다.